CN117765512A - 基于激光雷达的静态障碍物检测方法、装置、设备及介质 - Google Patents
基于激光雷达的静态障碍物检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117765512A CN117765512A CN202311769497.9A CN202311769497A CN117765512A CN 117765512 A CN117765512 A CN 117765512A CN 202311769497 A CN202311769497 A CN 202311769497A CN 117765512 A CN117765512 A CN 117765512A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- target
- cluster
- obstacle detection
- static obstacle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 126
- 230000003068 static effect Effects 0.000 title claims abstract description 95
- 238000001914 filtration Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000010276 construction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明属于障碍物检测技术领域,公开了一种基于激光雷达的静态障碍物检测方法、装置、设备及介质。该方法包括:通过安装于车辆上的激光雷达获取目标点云;将所述目标点云投影到俯瞰占据栅格图上做全局聚类,确定第一聚类簇;确定所述第一聚类簇的对应点云;在根据目标高度值过滤所述对应点云中的悬空点云之后,得到综合点云;将所述综合点云投影到俯瞰占据栅格图上做局部聚类,确定第二聚类簇;将基于所述第二聚类簇构建的目标柱体作为静态障碍物检测结果。通过上述方式,能够高效准确地删除悬空点云。
Description
技术领域
本发明涉及障碍物检测技术领域,尤其涉及一种基于激光雷达的静态障碍物检测方法、装置、设备及介质。
背景技术
在自动驾驶的场景中,在BEV(Bird's Eye View,鸟瞰)视角下表达通用障碍物是一种业界常用的简单有效方法。然而,对于激光雷达感知,如果直接把所有探测到的点云投影到BEV视角上,那么限高杆、天桥以及树木等悬空物体会形成障碍物阻碍自动驾驶车辆的行进。为了避免生成悬空物体的障碍物,现有的方式需要提前对点云做地面检测之后,基于地面检测结果删除离地高度一定距离的点云,最后再根据剩下的点云生成障碍物,但是这种方式依赖于地面检测的精度,一旦地面检测不准,会影响到悬空点云的删除,进而导致生成的障碍物阻碍车辆的行进。
发明内容
本发明的主要目的在于提供一种基于激光雷达的静态障碍物检测方法、装置、设备及介质,旨在解决现有技术中因地面检测不准影响到悬空点云的删除而导致生成的障碍物阻碍车辆的行进的技术问题。
为实现上述目的,本发明提供了一种基于激光雷达的静态障碍物检测方法,所述方法包括以下步骤:
通过安装于车辆上的激光雷达获取目标点云;
将所述目标点云投影到俯瞰占据栅格图上做全局聚类,确定第一聚类簇;
确定所述第一聚类簇的对应点云;
在过滤所述对应点云中的悬空点云之后,得到综合点云;
将所述综合点云投影到俯瞰占据栅格图上做局部聚类,确定第二聚类簇;
将基于所述第二聚类簇构建的目标柱体作为静态障碍物检测结果。
可选地,所述通过安装于车辆上的激光雷达获取目标点云,包括:
通过安装于车辆上的激光雷达获取探测点云;
过滤所述探测点云中的移动障碍物点云和地面点云,得到目标点云。
可选地,所述过滤所述探测点云中的移动障碍物点云和地面点云,得到目标点云,包括:
设置高度阈值;
过滤所述探测点云中的移动障碍物点云和地面点云,得到初始点云;
根据所述地面点云确定地面检测范围;
获取所述初始点云在所述地面检测范围内的离地点云;
过滤所述初始点云中离地高度大于所述高度阈值的离地点云,得到目标点云。
可选地,所述将所述目标点云投影到俯瞰占据栅格图上做全局聚类,确定第一聚类簇,包括:
设置全局聚类的聚类尺寸;
将所述目标点云投影到俯瞰占据栅格图上做全局聚类之后,基于所述聚类尺寸确定第一聚类簇。
可选地,所述在根据目标高度值过滤所述对应点云的悬空点云之后,得到综合点云,包括:
查找所述对应点云中的目标最小点云;
将所述目标最小点云对应的高度值作为目标高度值;
根据所述目标高度值过滤所述对应点云中的悬空点云,得到综合点云,其中,所述悬空点云为所述对应点云中高度值与所述目标高度值的高度差值大于目标阈值的点云,所述目标阈值为根据所述车辆的车辆高度进行调整。
可选地,所述将基于所述第二聚类簇构建的目标柱体作为静态障碍物检测结果,包括:
查找所述综合点云中的最大点云和最小点云;
确定所述最大点云对应的最大高度值,以及确定所述最小点云对应的最小高度值;
基于所述第二聚类簇在俯瞰占据栅格图上构建二维凸包之后形成目标柱体,其中,所述目标柱体为基于所述最大高度值和所述最小高度值构成;
将所述目标柱体作为静态障碍物检测结果。
可选地,所述将所述目标柱体作为静态障碍物检测结果,包括:
将所述探测点云在俯瞰空间投影到所述目标柱体之后,统计投影到所述目标柱体内部的内部点云;
确定所述内部点云的最大内部高度值和最小内部高度值;
根据所述最大内部高度值以及所述最小内部高度值调整所述目标柱体,得到最终柱体;
将所述最终柱体作为静态障碍物检测结果。
此外,为实现上述目的,本发明还提出一种基于激光雷达的静态障碍物检测装置,所述基于激光雷达的静态障碍物检测装置包括:
获取模块,用于通过安装于车辆上的激光雷达获取目标点云;
投影模块,用于将所述目标点云投影到俯瞰占据栅格图上做全局聚类,确定第一聚类簇;
确定模块,还用于确定所述第一聚类簇的对应点云;
过滤模块,用于在根据目标高度值过滤所述对应点云中的悬空点云之后,得到综合点云;
所述投影模块,还用于将所述综合点云投影到俯瞰占据栅格图上做局部聚类,确定第二聚类簇;
构建模块,用于将基于所述第二聚类簇构建的目标柱体作为静态障碍物检测结果。
此外,为实现上述目的,本发明还提出一种基于激光雷达的静态障碍物检测设备,所述基于激光雷达的静态障碍物检测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于激光雷达的静态障碍物检测程序,所述基于激光雷达的静态障碍物检测程序配置为实现如上文所述的基于激光雷达的静态障碍物检测方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有基于激光雷达的静态障碍物检测程序,所述基于激光雷达的静态障碍物检测程序被处理器执行时实现如上文所述的基于激光雷达的静态障碍物检测方法的步骤。
本发明提出的基于激光雷达的静态障碍物检测方法、装置、设备及介质,通过安装于车辆上的激光雷达获取目标点云;将所述目标点云投影到俯瞰占据栅格图上做全局聚类,确定第一聚类簇;确定所述第一聚类簇的对应点云;在根据目标高度值过滤所述对应点云中的悬空点云之后,得到综合点云;将所述综合点云投影到俯瞰占据栅格图上做局部聚类,确定第二聚类簇;将基于所述第二聚类簇构建的目标柱体作为静态障碍物检测结果。通过上述方式,在BEV空间上先通过一次聚类来找到目标点云中的障碍物,并将这个障碍物悬空部分的点云过滤掉,接着在BEV空间上进行二次聚类,便可得到目标点云中实际影响到自车通行部分的点云,在BEV空间通过两次聚类高效准确地删悬空点云,能够准确保留影响自动驾驶车辆通行的通用障碍物,进而避免漏检和误检,且相较于三维空间聚类方案的算力消耗更低。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于激光雷达的静态障碍物检测设备的结构示意图;
图2为本发明基于激光雷达的静态障碍物检测方法第一实施例的流程示意图;
图3为本发明基于激光雷达的静态障碍物检测方法第一实施例中静态障碍物的具体流程示意图;
图4为本发明基于激光雷达的静态障碍物检测方法第二实施例的流程示意图;
图5为本发明基于激光雷达的静态障碍物检测方法第三实施例的流程示意图;
图6为本发明基于激光雷达的静态障碍物检测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的基于激光雷达的静态障碍物检测设备结构示意图。
如图1所示,该基于激光雷达的静态障碍物检测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-VolatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对基于激光雷达的静态障碍物检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于激光雷达的静态障碍物检测程序。
在图1所示的基于激光雷达的静态障碍物检测设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明基于激光雷达的静态障碍物检测设备中的处理器1001、存储器1005可以设置在基于激光雷达的静态障碍物检测设备中,所述基于激光雷达的静态障碍物检测设备通过处理器1001调用存储器1005中存储的基于激光雷达的静态障碍物检测程序,并执行本发明实施例提供的基于激光雷达的静态障碍物检测方法。
基于上述硬件结构,提出本发明基于激光雷达的静态障碍物检测方法实施例。
参照图2,图2为本发明一种基于激光雷达的静态障碍物检测方法第一实施例的流程示意图。
本实施例中,所述基于激光雷达的静态障碍物检测方法包括以下步骤:
步骤S10:通过安装于车辆上的激光雷达获取目标点云。
需要说明的是,本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备,例如手机、平板电脑、个人电脑等,或者是一种能够实现上述功能的电子设备或基于激光雷达的静态障碍物检测设备。以下以所述基于激光雷达的静态障碍物检测设备为例,对本实施例及下述各实施例进行说明。
需要说明的是,激光雷达可以安装于车辆的车顶上,还可以安装在车辆的前保险杠上,当激光雷达安装于车顶上时,激光能够探测到较大的地面范围;当激光雷达安装于车辆的前保险杠上时,由于安装位置较低,激光能够探测到的地面范围较小;目标点云指的是激光雷达通过扫描静态障碍物获取到的点云。
在一实施例中,所述通过安装于车辆上的激光雷达获取目标点云,包括:
通过安装于车辆上的激光雷达获取探测点云;
过滤所述探测点云中的移动障碍物点云和地面点云,得到目标点云。
需要说明的是,通过激光雷达获取到的探测点云包括移动障碍物点云、地面点云以及静态障碍物点云,其中,移动障碍物点云是激光雷达扫描可移动障碍物获取到的点云,可移动障碍物包括车辆以及行人等等,还包括二轮车,地面点云是激光雷达扫描地面获取到的点云;为了能够精准地检测出静态障碍物,可以预先将探测点云中的移动障碍物点云和地面点云过滤掉,具体地,可以通过常用的目标检测算法识别出移动障碍物点云并过滤掉,还可以通过地面检测算法来识别出地面点云并过滤掉,地面检测算法可以是基于几何的平面几何算法,也可以是基于深度学习的算法。
在本实施例中,通过预先过滤掉探测点云中的移动障碍物点云和地面点云,不仅能够避免在进行静态障碍物检测时受到其他无关点云的干扰来保证静态障碍物的检测结果,还能够因过滤掉无关点云而减少了静态障碍物检测过程的计算量。
在一实施例中,所述过滤所述探测点云中的移动障碍物点云和地面点云,得到目标点云,包括:
设置高度阈值;
过滤所述探测点云中的移动障碍物点云和地面点云,得到初始点云;
根据所述地面点云确定地面检测范围;
获取所述初始点云在所述地面检测范围内的离地点云;
过滤所述初始点云中离地高度大于所述高度阈值的离地点云,得到目标点云。
可以理解的是,当激光雷达的安装高度较低时,激光能够探测到的地面范围比较小,对于那些检测不到地面的地方可以不用去过滤掉过高的点云,对于那些可以检测到地面的地方需要过滤掉过高的点云,具体地,可以根据识别出的地面点云来确定地面检测范围(地面检测范围指的是激光雷达所能探测到的地面范围)。
需要说明的是,高度阈值可以预先进行设定,优选地,可将高度阈值设置为3米,高度阈值设置得比较轻松能够避免出现误过滤的情况;当离地点云的离地高度大于高度阈值时,需要从初始点云中删除。
在本实施例中,通过设定高度阈值来对初始点云做初筛,能够过滤掉过高的点云,进而有效减少静态障碍物检测过程的计算量。
步骤S20:将所述目标点云投影到俯瞰占据栅格图上做全局聚类,确定第一聚类簇。
需要说明的是,俯瞰占据栅格图指的是BEV(Bird's Eye View,鸟瞰)的占据栅格图;由于将目标点云投影到俯瞰占据栅格图是在全局范围内的聚类,因此可将目标点云投影到俯瞰占据栅格图上的聚类称为全局聚类,具体地,可以采用一些常用的聚类算法来进行全局聚类,比如区域生长算法、dbscan等;目标点云投影到俯瞰占据栅格图上做全局聚类能够得到多个第一聚类簇,每个聚类簇可以看成一个障碍物,全局聚类主要用于查找目标点云中的各个障碍物点云。
在一实施例中,所述将所述目标点云投影到俯瞰占据栅格图上做全局聚类,确定第一聚类簇,包括:
设置全局聚类的聚类尺寸;
将所述目标点云投影到俯瞰占据栅格图上做全局聚类之后,基于所述聚类尺寸确定第一聚类簇。
需要说明的是,可以理解的是,聚类尺寸不能过大,以车辆处于上坡场景为例,假设障碍物在上坡路段中的覆盖范围较大时,当聚类尺寸过大就会导致该障碍物的大部分点云被划分入该第一聚类簇中,那么在基于目标高度值来过滤悬空点云时容易将该障碍物后半部分对应的点云作为悬空点云过滤掉(悬空点云为第一聚类簇中实际高度值与目标高度值的高度差值大于目标阈值的点云),这会影响到最终的静态障碍物的识别效果,因此,需要根据实际情况来合理设计聚类尺寸的大小。
在本实施例中,通过限制第一聚类簇的簇尺寸来做全局聚类,能够有效确保第一聚类簇内影响到车辆前行的点云不被误删除,进而保证了最终的静态障碍物的生成效果,从而保证了车辆的行车安全。
步骤S30:确定所述第一聚类簇的对应点云。
需要说明的是,对应点云指的是属于该第一聚类簇的点云。
步骤S40:在根据目标高度值过滤所述对应点云中的悬空点云之后,得到综合点云。
需要说明的是,目标高度值指的是用于确定对应点云中的悬空点云的高度值,目标高度值可以根据障碍物的接地点来确定(障碍物的接地点指的是障碍物与地面接触的点,虽然激光雷达扫描不到远处障碍物的地面点,但是可以扫描到障碍物的接地点,因此可以以这个障碍物的接地点作为局部地面的基准来过滤掉障碍物中不影响车辆通行的悬空部分),比如可以将对应点云的高度值与目标高度值进行比较,当对应点云的高度值大于目标高度值时,可将该对应点云确定为悬空点云;还可确定对应点云的高度值与目标高度值的差值,当差值大于目标阈值时,可将该对应点云确定为悬空点云。
步骤S50:将所述综合点云投影到俯瞰占据栅格图上做局部聚类,确定第二聚类簇。
需要说明的是,由于将综合点云投影到俯瞰占据栅格图是在第一聚类簇内部执行的,因此可将综合点云投影到俯瞰占据栅格图上的聚类称为局部聚类,具体地,可以采用一些常用的聚类算法来进行全局聚类,比如区域生长算法、dbscan等。
步骤S60:将基于所述第二聚类簇构建的目标柱体作为静态障碍物检测结果。
需要说明的是,目标柱体是多边形柱体;对于通过局部聚类确定的第二聚类簇,需要在BEV上构建二维凸包,然后在二维凸包的基础上构成目标柱体,目标柱体的高度不超过目标阈值,便可将目标柱体作为静态障碍物检测结果。
在具体实现中,如图3所示,静态障碍物的具体检测流程具体为:1、过滤掉所有可移动的障碍物(车、行人、二轮车)和地面电源,保留静态障碍物的点云;2、过滤掉离地高度大于高度阈值的点云;3、将剩下的点云投影至俯瞰占据栅格图上做全局聚类;4、查找全局聚类中每一聚类簇的点云,并过滤掉障碍物的悬空点云(悬空点云相当于图3中的树冠部分,如图3中第二个图所示);5、将过滤掉悬空点云的点云重新投影到俯瞰占据栅格图上进行局部聚类得到目标柱体(相当于图3中的第三个图);6、根据探测点云恢复目标柱体的高度(相当于图3中的第四个图)。
本实施例通过安装于车辆上的激光雷达获取目标点云;将所述目标点云投影到俯瞰占据栅格图上做全局聚类,确定第一聚类簇;确定所述第一聚类簇的对应点云;在根据目标高度值过滤所述对应点云中的悬空点云之后,得到综合点云;将所述综合点云投影到俯瞰占据栅格图上做局部聚类,确定第二聚类簇;将基于所述第二聚类簇构建的目标柱体作为静态障碍物检测结果。通过上述方式,在BEV空间上先通过一次聚类来找到目标点云中的障碍物,并将这个障碍物悬空部分的点云过滤掉,接着在BEV空间上进行二次聚类,便可得到目标点云中实际影响到自车通行部分的点云,在BEV空间通过两次聚类高效准确地删悬空点云,能够准确保留影响自动驾驶车辆通行的通用障碍物,进而避免漏检和误检,且相较于三维空间聚类方案的算力消耗更低。
参考图4,图4为本发明一种基于激光雷达的静态障碍物检测方法第二实施例的流程示意图。
基于上述第一实施例,本实施例基于激光雷达的静态障碍物检测方法所述在根据目标高度值过滤所述对应点云的悬空点云之后,得到综合点云,包括:
步骤S401:查找所述对应点云中的目标最小点云。
需要说明的是,激光雷达虽然扫描不到远处障碍物的地面点,但是可以扫描到障碍物的接地点,目标最小点云即为障碍物的接地点,目标最小点云也为所有对应点云中高度值最小的点云。
步骤S402:将所述目标最小点云对应的高度值作为目标高度值。
步骤S403:根据所述目标高度值过滤所述对应点云中的悬空点云,得到综合点云,其中,所述悬空点云为所述对应点云中高度值与所述目标高度值的高度差值大于目标阈值的点云,所述目标阈值为根据所述车辆的车辆高度进行调整。
需要说明的是,由于目标阈值需要根据车辆的车辆高度进行调整,车辆高度越高,目标阈值也应随之增加。
可以理解的是,车辆在行驶途中遇到障碍物,该障碍物可根据车辆高度分为上部分和下部分(上部分的障碍物的高度大于车辆高度,下部分的障碍物的高度小于等于车辆高度),由于上部分的障碍物的高度高于车辆高度,故可以确定主要影响车辆通行的障碍物部分为下部分,因此可以基于车辆高度来调整目标阈值,目标阈值应大于车辆高度(这样能够防止将影响到车辆通行的点云删掉),但目标阈值与车辆高度的不应相差过大(防止因删除过少的点云而增加后续工作的计算量),优先地,目标阈值可设为1.4米。
本实施例通过查找所述对应点云中的目标最小点云;将所述目标最小点云对应的高度值作为目标高度值;根据所述目标高度值过滤所述对应点云中的悬空点云,得到综合点云,其中,所述悬空点云为所述对应点云中高度值与所述目标高度值的高度差值大于目标阈值的点云,所述目标阈值为根据所述车辆的车辆高度进行调整。通过上述方式,以障碍物的接地点作为局部的地面参考来筛选悬空点云,相较于地面检测算法来筛选悬空点云,具有更高的准确率,防止因误删除影响车辆通行的点云而影响车辆的行车安全。
参考图5,图5为本发明一种基于激光雷达的静态障碍物检测方法第三实施例的流程示意图。
基于上述第一实施例以及第二实施例,本实施例基于激光雷达的静态障碍物检测方法所述将基于所述第二聚类簇构建的目标柱体作为静态障碍物检测结果,包括:
步骤S601:查找所述综合点云中的最大点云和最小点云。
需要说明的是,最大点云指的是综合点云中高度值最大的点云,最小点云指的是综合点云中高度值最小的点云。
步骤S602:确定所述最大点云对应的最大高度值,以及确定所述最小点云对应的最小高度值。
需要说明的是,最大高度值指的是最大点云对应的高度值,最小高度值指的是最小点云对应的高度值。
步骤S603:基于所述第二聚类簇在俯瞰占据栅格图上构建二维凸包之后形成目标柱体,其中,所述目标柱体为基于所述最大高度值和所述最小高度值构成。
需要说明的是,目标柱体的最高值为最大高度值,目标柱体的最低值为最小高度值;二维凸包指的是在俯瞰占据栅格图中给定一组点(也即第二聚类簇内的点)的最小凸多边形;基于二维凸包以及最大高度值和最小高度值便可确定用于确定静态障碍物的目标柱体。
步骤S604:将所述目标柱体作为静态障碍物检测结果。
在一实施例中,所述将所述目标柱体作为静态障碍物检测结果,包括:
将所述探测点云在俯瞰空间投影到所述目标柱体之后,统计投影到所述目标柱体内部的内部点云;
确定所述内部点云的最大内部高度值和最小内部高度值;
根据所述最大内部高度值以及所述最小内部高度值调整所述目标柱体,得到最终柱体;
将所述最终柱体作为静态障碍物检测结果。
需要说明的是,内部点云指的是探测点云中被投影到目标柱体上的点云;最大内部高度值指的是内部点云中最大的高度值,最小内部高度值指的是内部电源中最小的高度值。
可以理解的是,当最大内部高度值大于目标柱体的最高值时,将目标柱体的最高值调整到与最大内部高度值一致,当最小内部高度值小于目标柱体的最低值时,将目标柱体的最低值调整到与最小内部高度值一致,最后便可得到最终柱体。
在本实施例中,通过将探测点云在BEV空间投影到目标柱体上来恢复出最终柱体,使得最终的障碍物检测结果能够更加接近于实际障碍物,进而有效提高静态障碍物检测结果的检测精度。
本实施例通过查找所述综合点云中的最大点云和最小点云;确定所述最大点云对应的最大高度值,以及确定所述最小点云对应的最小高度值;基于所述第二聚类簇在俯瞰占据栅格图上构建二维凸包之后形成目标柱体,其中,所述目标柱体为基于所述最大高度值和所述最小高度值构成;将所述目标柱体作为静态障碍物检测结果。通过上述方式,基于二维凸包构建目标柱体,能够方便于用户直接根据目标柱体了解静态障碍物的检测情况,进而确保用户在行车过程中的行车体验。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于激光雷达的静态障碍物检测程序,所述基于激光雷达的静态障碍物检测程序被处理器执行时实现如上文所述的基于激光雷达的静态障碍物检测方法的步骤。
参照图6,图6为本发明基于激光雷达的静态障碍物检测装置第一实施例的结构框图。
如图6所示,本发明实施例提出的基于激光雷达的静态障碍物检测装置包括:
获取模块10,用于通过安装于车辆上的激光雷达获取目标点云。
投影模块20,用于将所述目标点云投影到俯瞰占据栅格图上做全局聚类,确定第一聚类簇。
确定模块30,还用于确定所述第一聚类簇的对应点云。
过滤模块40,用于在根据目标高度值过滤所述对应点云中的悬空点云之后,得到综合点云。
所述投影模块20,还用于将所述综合点云投影到俯瞰占据栅格图上做局部聚类,确定第二聚类簇。
构建模块50,用于将基于所述第二聚类簇构建的目标柱体作为静态障碍物检测结果。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
本实施例通过安装于车辆上的激光雷达获取目标点云;将所述目标点云投影到俯瞰占据栅格图上做全局聚类,确定第一聚类簇;确定所述第一聚类簇的对应点云;在根据目标高度值过滤所述对应点云中的悬空点云之后,得到综合点云;将所述综合点云投影到俯瞰占据栅格图上做局部聚类,确定第二聚类簇;将基于所述第二聚类簇构建的目标柱体作为静态障碍物检测结果。通过上述方式,在BEV空间上先通过一次聚类来找到目标点云中的障碍物,并将这个障碍物悬空部分的点云过滤掉,接着在BEV空间上进行二次聚类,便可得到目标点云中实际影响到自车通行部分的点云,在BEV空间通过两次聚类高效准确地删悬空点云,能够准确保留影响自动驾驶车辆通行的通用障碍物,进而避免漏检和误检,且相较于三维空间聚类方案的算力消耗更低。
在一实施例中,所述获取模块10,还用于:通过安装于车辆上的激光雷达获取探测点云;
过滤所述探测点云中的移动障碍物点云和地面点云,得到目标点云。
在一实施例中,所述获取模块10,还用于:设置高度阈值;
过滤所述探测点云中的移动障碍物点云和地面点云,得到初始点云;
根据所述地面点云确定地面检测范围;
获取所述初始点云在所述地面检测范围内的离地点云;
过滤所述初始点云中离地高度大于所述高度阈值的离地点云,得到目标点云。
在一实施例中,所述投影模块20,还用于:设置全局聚类的聚类尺寸;
将所述目标点云投影到俯瞰占据栅格图上做全局聚类之后,基于所述聚类尺寸确定第一聚类簇。
在一实施例中,所述过滤模块40,还用于:查找所述对应点云中的目标最小点云;
将所述目标最小点云对应的高度值作为目标高度值;
根据所述目标高度值过滤所述对应点云中的悬空点云,得到综合点云,其中,所述悬空点云为所述对应点云中高度值与所述目标高度值的高度差值大于目标阈值的点云,所述目标阈值为根据所述车辆的车辆高度进行调整。
在一实施例中,所述构建模块50,还用于:查找所述综合点云中的最大点云和最小点云;
确定所述最大点云对应的最大高度值,以及确定所述最小点云对应的最小高度值;
基于所述第二聚类簇在俯瞰占据栅格图上构建二维凸包之后形成目标柱体,其中,所述目标柱体为基于所述最大高度值和所述最小高度值构成;
将所述目标柱体作为静态障碍物检测结果。
在一实施例中,所述构建模块50,还用于:将所述探测点云在俯瞰空间投影到所述目标柱体之后,统计投影到所述目标柱体内部的内部点云;
确定所述内部点云的最大内部高度值和最小内部高度值;
根据所述最大内部高度值以及所述最小内部高度值调整所述目标柱体,得到最终柱体;
将所述最终柱体作为静态障碍物检测结果。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的基于激光雷达的静态障碍物检测方法,此处不再赘述。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于激光雷达的静态障碍物检测方法,其特征在于,所述基于激光雷达的静态障碍物检测方法,包括:
通过安装于车辆上的激光雷达获取目标点云;
将所述目标点云投影到俯瞰占据栅格图上做全局聚类,确定第一聚类簇;
确定所述第一聚类簇的对应点云;
在根据目标高度值过滤所述对应点云中的悬空点云之后,得到综合点云;
将所述综合点云投影到俯瞰占据栅格图上做局部聚类,确定第二聚类簇;
将基于所述第二聚类簇构建的目标柱体作为静态障碍物检测结果。
2.如权利要求1所述的方法,其特征在于,所述通过安装于车辆上的激光雷达获取目标点云,包括:
通过安装于车辆上的激光雷达获取探测点云;
过滤所述探测点云中的移动障碍物点云和地面点云,得到目标点云。
3.如权利要求2所述的方法,其特征在于,所述过滤所述探测点云中的移动障碍物点云和地面点云,得到目标点云,包括:
设置高度阈值;
过滤所述探测点云中的移动障碍物点云和地面点云,得到初始点云;
根据所述地面点云确定地面检测范围;
获取所述初始点云在所述地面检测范围内的离地点云;
过滤所述初始点云中离地高度大于所述高度阈值的离地点云,得到目标点云。
4.如权利要求1所述的方法,其特征在于,所述将所述目标点云投影到俯瞰占据栅格图上做全局聚类,确定第一聚类簇,包括:
设置全局聚类的聚类尺寸;
将所述目标点云投影到俯瞰占据栅格图上做全局聚类之后,基于所述聚类尺寸确定第一聚类簇。
5.如权利要求1所述的方法,其特征在于,所述在根据目标高度值过滤所述对应点云的悬空点云之后,得到综合点云,包括:
查找所述对应点云中的目标最小点云;
将所述目标最小点云对应的高度值作为目标高度值;
根据所述目标高度值过滤所述对应点云中的悬空点云,得到综合点云,其中,所述悬空点云为所述对应点云中高度值与所述目标高度值的高度差值大于目标阈值的点云,所述目标阈值为根据所述车辆的车辆高度进行调整。
6.如权利要求2所述的方法,其特征在于,所述将基于所述第二聚类簇构建的目标柱体作为静态障碍物检测结果,包括:
查找所述综合点云中的最大点云和最小点云;
确定所述最大点云对应的最大高度值,以及确定所述最小点云对应的最小高度值;
基于所述第二聚类簇在俯瞰占据栅格图上构建二维凸包之后形成目标柱体,其中,所述目标柱体为基于所述最大高度值和所述最小高度值构成;
将所述目标柱体作为静态障碍物检测结果。
7.如权利要求6所述的方法,其特征在于,所述将所述目标柱体作为静态障碍物检测结果,包括:
将所述探测点云在俯瞰空间投影到所述目标柱体之后,统计投影到所述目标柱体内部的内部点云;
确定所述内部点云的最大内部高度值和最小内部高度值;
根据所述最大内部高度值以及所述最小内部高度值调整所述目标柱体,得到最终柱体;
将所述最终柱体作为静态障碍物检测结果。
8.一种基于激光雷达的静态障碍物检测装置,其特征在于,所述基于激光雷达的静态障碍物检测装置包括:
获取模块,用于通过安装于车辆上的激光雷达获取目标点云;
投影模块,用于将所述目标点云投影到俯瞰占据栅格图上做全局聚类,确定第一聚类簇;
确定模块,还用于确定所述第一聚类簇的对应点云;
过滤模块,用于在根据目标高度值过滤所述对应点云中的悬空点云之后,得到综合点云;
所述投影模块,还用于将所述综合点云投影到俯瞰占据栅格图上做局部聚类,确定第二聚类簇;
构建模块,用于将基于所述第二聚类簇构建的目标柱体作为静态障碍物检测结果。
9.一种基于激光雷达的静态障碍物检测设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于激光雷达的静态障碍物检测程序,所述基于激光雷达的静态障碍物检测程序配置为实现如权利要求1至7中任一项所述的基于激光雷达的静态障碍物检测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有基于激光雷达的静态障碍物检测程序,所述基于激光雷达的静态障碍物检测程序被处理器执行时实现如权利要求1至7任一项所述的基于激光雷达的静态障碍物检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311769497.9A CN117765512A (zh) | 2023-12-20 | 2023-12-20 | 基于激光雷达的静态障碍物检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311769497.9A CN117765512A (zh) | 2023-12-20 | 2023-12-20 | 基于激光雷达的静态障碍物检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117765512A true CN117765512A (zh) | 2024-03-26 |
Family
ID=90321342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311769497.9A Pending CN117765512A (zh) | 2023-12-20 | 2023-12-20 | 基于激光雷达的静态障碍物检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117765512A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117970286A (zh) * | 2024-03-29 | 2024-05-03 | 陕西欧卡电子智能科技有限公司 | 无人船障碍物识别方法、装置、无人船及存储介质 |
-
2023
- 2023-12-20 CN CN202311769497.9A patent/CN117765512A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117970286A (zh) * | 2024-03-29 | 2024-05-03 | 陕西欧卡电子智能科技有限公司 | 无人船障碍物识别方法、装置、无人船及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10832064B2 (en) | Vacant parking space detection apparatus and vacant parking space detection method | |
CN110458854B (zh) | 一种道路边缘检测方法和装置 | |
US11709058B2 (en) | Path planning method and device and mobile device | |
US20180081035A1 (en) | Method and device for filtering point cloud data | |
US10102433B2 (en) | Traveling road surface detection apparatus and traveling road surface detection method | |
CN110109142B (zh) | 点云滤波方法、装置、计算机设备和存储介质 | |
US8655025B2 (en) | Data analysis device, data analysis method, and program | |
CN110443786B (zh) | 激光雷达点云滤波方法、装置、计算机设备和存储介质 | |
US20080199050A1 (en) | Detection device, method and program thereof | |
CN117765512A (zh) | 基于激光雷达的静态障碍物检测方法、装置、设备及介质 | |
US20080166024A1 (en) | Image processing apparatus, method and program thereof | |
CN112102151A (zh) | 栅格地图的生成方法、装置、移动智慧设备和存储介质 | |
KR20210043628A (ko) | 장애물 감지 방법, 지능형 주행 제어 방법, 장치, 매체, 및 기기 | |
CN112432647B (zh) | 车厢的定位方法、装置、系统及计算机可读存储介质 | |
JP2001052171A (ja) | 周囲環境認識装置 | |
CN113859228B (zh) | 一种车辆控制方法、装置、电子设备及存储介质 | |
KR102601134B1 (ko) | 차량의 위치 추정방법 | |
CN111638520A (zh) | 障碍物识别方法、装置、电子设备及存储介质 | |
CN112166446A (zh) | 可通行性的识别方法、系统、设备及计算机可读存储介质 | |
Yamamoto et al. | Efficient pedestrian scanning by active scan LIDAR | |
CN112789521B (zh) | 感知区域的确定方法、装置、存储介质及车辆 | |
US8483478B1 (en) | Grammar-based, cueing method of object recognition, and a system for performing same | |
CN115917357A (zh) | 未定义类别障碍物的检测方法、装置和计算机设备 | |
CN115164919B (zh) | 基于双目相机的空间可行驶区域地图构建方法及装置 | |
CN112529011A (zh) | 目标检测方法及相关装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |